[發明專利]行人重識別方法和裝置

在審

• 申請號: 201811540943.8
• 申請日: 2018-12-17
• 公開（公告）號: CN109784182A
• 公開（公告）日: 2019-05-21
• 發明（設計）人: 讓苗;董遠;白洪亮;熊風燁
• 申請（專利權）人: 北京飛搜科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 王瑩;吳歡燕

本發明實施例提供一種行人重識別方法和裝置。其中，行人重識別方法包括：將待識別圖像輸入至訓練好的孿生網絡模型，輸出待識別圖像的特征向量；根據待識別圖像的特征向量和行人圖像庫中各樣本行人圖像的特征向量，獲取識別結果；其中，孿生網絡模型是基于樣本行人圖像進行訓練后得到的；孿生網絡模型包括第一卷積神經網絡和第二卷積神經網絡；第一卷積神經網絡與第二卷積神經網絡的結構相同。本發明實施例提供的行人重識別方法和裝置，通過孿生網絡模型獲取待識別圖像的特征向量，能提高特征提取的準確率，進而能提高行人重識別的準確率。

技術領域

本發明實施例涉及計算機技術領域，尤其涉及一種行人重識別方法和裝置。

背景技術

行人重識別(Person re-identification，簡稱ReID)也稱行人再識別，是利用計算機視覺技術判斷圖像或者視頻序列中是否存在特定行人的技術。廣泛被認為是一個圖像檢索的子問題。給定一個監控行人圖像，檢索跨設備下的該行人圖像。旨在彌補目前固定的攝像頭的視覺局限，并可與行人檢測/行人跟蹤技術相結合，可廣泛應用于智能視頻監控、智能安保等領域。

由于行人圖像的分辨率變化大、拍攝角度不統一、光照條件差、環境變化大、行人姿態不斷變化等原因，導致同一行人不同圖片之間差距大，對行人進行淺層特征的提取很難實現行人重識別的判斷。

為了提高行人重識別的準確率，傳統的行人重識別從特征提取和距離度量學習兩個方面進行研究。對于特征提取方面，采用提取局部特征的方式，采用局部關鍵特征尺度不變特征變換(Scale-Invariant Feature Transform，簡稱SIFT)來表示圖像，但由于局部關鍵點經常會落在背景上，導致識別精度的下降；并且，目前大多數方法在提取圖像特征的過程中，都忽略了無關背景信息的影響，使得提取好的圖像特征帶有較多的噪聲，影響識別準確率。對于距離度量學習方面，為了解決拍攝角度不一以及行人姿態的變化問題，大多數方法采取了非精確匹配的策略，使用特定的方式將不同圖像塊之間的特征進行融合，效果頗為顯著，但同時也損失了一部分圖像內部的空間信息，使得在分辨一些具有相對位置差異的圖像上，能力大大降低。綜上，現有行人重識別技術的識別準確率較低，亟待提高。

發明內容

針對現有技術存在的問題，本發明實施例提供一種克服上述問題或者至少部分地解決上述問題的行人重識別方法和裝置。

第一方面，本發明實施例提供一種行人重識別方法，包括：

將待識別圖像輸入至訓練好的孿生網絡模型，輸出所述待識別圖像的特征向量；

根據所述待識別圖像的特征向量和行人圖像庫中各樣本行人圖像的特征向量，獲取識別結果；

其中，所述孿生網絡模型是基于樣本行人圖像進行訓練后得到的；所述特征向量由類型特征和圖像特征組成；

所述孿生網絡模型包括第一卷積神經網絡和第二卷積神經網絡；所述第一卷積神經網絡與所述第二卷積神經網絡的結構相同；所述第一卷積神經網絡包括第一分類學習子網絡和第一度量學習子網絡；所述第二卷積神經網絡包括第二分類學習子網絡和第二度量學習子網絡；

所述第一分類學習子網絡和所述第二分類學習子網絡，均用于獲取所述待識別圖像的類型特征；

所述第一度量學習子網絡和所述第二度量學習子網絡，均用于獲取所述待識別圖像的圖像特征。

第二方面，本發明實施例提供一種行人重識別裝置，包括：

特征提取模塊，用于將待識別圖像輸入至孿生網絡模型，輸出所述待識別圖像的特征向量；

行人識別模塊，用于根據所述待識別圖像的特征向量和行人圖像庫中各樣本行人圖像的特征向量，獲取識別結果；

其中，所述孿生網絡模型是基于樣本行人圖像進行訓練后得到的；所述特征向量由類型特征和圖像特征組成；